# Gemini 4 Argon: lo probé en mi agente contra 3.8 Flash

Probé Gemini 4 Argon el día que salió con tareas reales de mi agente: cuánto acertó, cuánto tardó, cuánto costó y por qué sigo con 3.8 Flash.

*agentes · 2026-10-13 · [mauriciosneira.com](https://mauriciosneira.com/blog/evaluacion-gemini-4-argon-tool-calling)*

---

El 13 de octubre de 2026 Google sacó **Gemini 4 Argon**, su nuevo modelo de frontera. Los anuncios hablan de benchmarks. Yo quería saber otra cosa: si conviene cambiarlo en el agente que escribe los borradores de este blog, que hoy usa Gemini 3.8 Flash.

Así que lo probé el mismo día, con mis propias tareas y contra el modelo que ya uso. En este post te cuento qué medí, qué salió bien, qué salió mal y qué decidí.

## Qué es Gemini 4 Argon

Es el modelo más grande de Google para razonamiento, código y agentes de varios pasos. Los datos que importan para un backend:

- **Precio de lanzamiento:** US$ 2 por millón de tokens de entrada y US$ 10 de salida hasta el 30 de noviembre. Desde el 1 de diciembre pasa a US$ 4 y US$ 20. La entrada cacheada tiene 95% de descuento.
- **Contexto:** un límite de 1 millón de tokens compartido entre entrada y salida.
- **Razonamiento:** se controla con `thinking_level`: `low`, `medium` (el que usa si no le decís nada) o `high`.
- **Benchmarks:** según [VentureBeat](https://venturebeat.com/technology/google-makes-gemini-4-argon-broadly-available-with-limited-time-low-api-pricing-of-2-10-per-1m-token), sale primero en el Vals Index (68,90%) y en el Artificial Analysis Intelligence Index saca 53, empatado con GPT-6 Astra y debajo de Claude Opus 5.5 (58).

Los datos oficiales están en el [anuncio de Google](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/). Lo que sigue son mis pruebas.

## Qué probé

Usé tres tareas reales del blog, siempre contra Gemini 3.8 Flash y con la misma configuración que tengo en producción:

1. **Un juez:** decide si una búsqueda de Google ya la responde alguno de mis posts. Tengo 18 búsquedas con la respuesta correcta anotada.
2. **Escribir un post entero:** el pipeline real del agente (borrador, crítica, reescritura, fact-check con Google y metadatos), en modo seco, con el mismo tema para los dos: el lanzamiento de Argon.
3. **Razonamiento:** una cuenta de factura con IVA y percepción, para ver cuánto "piensa" con cada configuración.

```mermaid
flowchart TD
    A["Tema"] --> B["Borrador"]
    B --> C["Crítica"]
    C --> D["Reescritura"]
    D --> E["Fact-check con Google"]
    E --> F["Título, descripción y keyword"]
```

## Prueba 1: el juez acierta igual, pero tarda más

Corrí las 18 búsquedas dos veces con cada modelo:

| | Gemini 3.8 Flash | Gemini 4 Argon |
| :--- | :--- | :--- |
| Aciertos | 18 de 18 | 18 de 18 |
| Tiempo del juez | 9,4 s | 12,5 s |

Mismo criterio, 33% más lento. Y acá apareció lo más útil de todo el día: en producción el juez tiene un **timeout de 12 segundos**. La primera vez que lo probé con Argon tal cual, no llegó, el sistema cayó a la regla de respaldo por palabras y el resultado bajó a **14 de 18**. Si hubiera mirado sólo ese número, habría concluido que Argon juzga peor. No era eso: era un timeout pensado para otro modelo.

> Cambiar de modelo no es cambiar un string: los timeouts, los límites de tokens y los reintentos están calibrados para el modelo que tenías.

## Prueba 2: escribir un post

El mismo tema, el mismo pipeline, una corrida con cada modelo:

| | Gemini 3.8 Flash | Gemini 4 Argon |
| :--- | :--- | :--- |
| Tiempo total | 80 s | 164 s |
| Tokens (entrada / salida) | 15.016 / 6.768 | 17.679 / 9.469 |
| Costo del post | ≈ US$ 0,037 | ≈ US$ 0,13 |
| Largo | 7.116 caracteres | 9.981 caracteres |

Argon tardó el doble y costó 3,6 veces más, y eso con el precio de lanzamiento. Desde diciembre serían unas 7 veces.

¿Escribió mejor? En estructura, sí. Armó un solo caso concreto (un agente que concilia 50.000 facturas por hora) y lo llevó de punta a punta, con tradeoffs bien pensados. El de Flash era más genérico.

Pero los dos se equivocaron en datos, y el fact-check con búsqueda de Google no los atrapó:

- **Flash** presentó como novedad de Argon el llamado a herramientas en paralelo, algo que existe hace tiempo y que el anuncio ni menciona. Escribió un post genérico con el nombre de Argon arriba.
- **Argon** afirmó que en Argon el parámetro `thinking_budget` "quedó deprecado y devuelve un error". Lo probé: funciona. De hecho, el propio agente que escribió esa frase corría con `thinking_budget=0`.

Un modelo recién salido no puede saber cosas de sí mismo que no están en sus datos de entrenamiento, y el día del lanzamiento la web todavía tiene poco escrito. Para estos temas la verificación tiene que ser tuya. Ninguno de los dos borradores se publicó: este post lo escribí con las mediciones.

## Prueba 3: cuánto piensa

Le pedí calcular el neto, el IVA y la percepción de una factura de ARS 1.234.567,89 y decir si el total cierra:

| Configuración | Tiempo | Tokens de razonamiento |
| :--- | :--- | :--- |
| Argon con `thinking_budget: 0` | 3,8 s | 0 |
| Argon con `thinking_level: low` | 3,3 s | 0 |
| Argon sin configurar (medium) | 13,2 s | no lo informa |
| Argon con `thinking_level: high` | 19,2 s | 1.873 |
| 3.8 Flash con `thinking_budget: 0` | 5,0 s | 445 |

Las cinco dieron los mismos números, y son correctos. Dos cosas para quien lo usa desde un backend:

1. **El nivel por defecto es caro en tiempo.** Si no lo configurás, una cuenta simple pasa de 3 a 13 segundos. Para pasos simples conviene pedir `low` de forma explícita.
2. **Argon respeta el "no pienses" y 3.8 Flash no siempre.** Con `thinking_budget: 0`, Flash igual razonó 445 tokens. Es algo que ya veía en el agente: esos tokens compiten con la salida y se cobran.

Un detalle de la documentación: hoy sólo explica `thinking_level`. `thinking_budget` ya no figura, aunque sigue funcionando. Si tu código lo usa, como el mío, es momento de pasarlo a `thinking_level` antes de que deje de andar.

## Qué decidí

Por ahora **sigo con 3.8 Flash para el agente**. Para escribir borradores que después reviso yo, la mejor estructura de Argon no compensa pagar 3,6 veces más (7 desde diciembre) y esperar el doble. Y para el juez, Flash acierta igual y más rápido.

Lo que sí me llevo:

- **Revisar los timeouts.** El juez anda con 9,4 s en un límite de 12. Con Flash también está justo.
- **Pasar de `thinking_budget` a `thinking_level`** en el agente y en el admin.
- **Probar Argon en un solo paso**, el de la crítica, donde su criterio puede valer más que el costo. Todavía no lo medí.

Si querés armar tus propios casos de prueba, en [cómo armar un pipeline de evaluación de LLMs](/blog/arquitectura-evals-ci-cd-agentes) te cuento cómo lo encaro, y en [cómo optimizar la inferencia de LLM](/blog/optimizacion-costos-inferencia-llm), cómo elegir modelo por paso.

## Qué hacer el lunes

1. **Probá el modelo nuevo con tus tareas, no con benchmarks.** 18 casos con la respuesta anotada me alcanzaron para ver la diferencia en una tarde.
2. **Antes de comparar, revisá timeouts y límites de tokens.** Si no, vas a estar midiendo tu configuración y no el modelo.
3. **Configurá el razonamiento de forma explícita.** El default de Argon es `medium`: para pasos simples pedí `low`.
4. **Medí el costo por tarea, no por token.** Argon sale 2,7 veces más caro por token de entrada, pero por post terminado fue 3,6 veces, porque escribe más y lee más.
5. **Agendá el 1 de diciembre.** Ese día el precio de Argon se duplica, y la cuenta que hagas hoy deja de valer.